文摘

肺癌是全世界最致命的癌症之一,具有高死亡率相比其他癌症。在晚期肺癌患者的存活率很低。然而,如果它可以早期发现,病人可以提高生存率。肺癌早期诊断是一项复杂的任务由于拥有的视觉相似性与气管肺结节,周围血管和其他组织领导对肺结节的误分类。因此,正确识别和分类的结节是必需的。之前的研究使用噪声特性,这使得结果组成。提出了一个预测模型准确地检测和分类肺结节来解决这个问题。在拟议的框架中,起初,执行语义分割识别在肺结节的图像图像数据库财团(LIDC)数据集。最佳功能分类包括直方图的梯度(猪),局部二进制模式(lbp)和几何特性提取分割后结节。结果表明,支持向量机在比其他分类器识别结节表现的更好,达到97.8%的最高精度的敏感性100%,特异性93%,假阳性率为6.7%。

1。介绍

癌症表示全球人类健康的一大威胁。在所有其他类型的癌症,肺癌死亡率最高。根据世界卫生报告,每年大约820万死亡发生由于癌症,其中169万是由于肺癌(1]。肺癌的生存率很低比其他癌症。尽管进步的医学治疗肺癌症,其5年生存率仍然波动从4%提高到17%,但如果肺癌是确定在其早期阶段,可以提高存活率(2]。关键是要确定结节的确切位置。肺恶性肿瘤是由肺组织细胞的异常生长。风险因素导致癌症发生的生物反应,化学反应,和吸烟。(3]。

人类的肺是金字塔形状成对的器官(左、右肺)通过气管连接气管。气管进一步连接到两个支气管(气道在呼吸系统),一起成对的器官和调节氧气。主要有两个支气管:一个叫左支气管和另一个叫做右支气管;这些支气管进一步分为二级和三级支气管。每个肺进一步分为较小的区域,称为叶。左肺有三个小的部分(叶)优越的叶,中部叶,伪劣叶,右肺主要组成的两个叶叫优越伪劣叶。可能存在有肺结节在叶的地区(4]。结节是异常或不规则增长或叶的地区。这些出现在肺结节两种类型可以良性或恶性。良性结节被认为是正常的,而另一方面,恶性结节威胁可能是肺癌的原因。

肺结节的大小不同。结节大小的基础上被命名为micronodules,焦不透明度和质量。“微”结节的结节在在3毫米的距离,而结节的大小范围从3毫米到30毫米被称为“焦透明度,”和结节大小超过30毫米被称为“质量”结节(5]。

在内部组织结节可以开发;炎症的原因可能是由于自身免疫反应或感染。不是所有的结节在叶的地区是癌,通常不需要治疗,但结节大1.2英寸更可能是恶性的。有一些困难与检测相关的结节。这些结节叶地区毗邻血管支气管和血管拥有相同的强度和形状像结节形状和强度由于这种相似性的放射科医生发现很难检测结节(6]。

有各种成像技术可用来检测结节。这些成像模式包括计算机断层扫描(CT)、正电子发射断层扫描(PET)和磁共振成像(MRI) (7]。在计算机x射线成像,窄束激光放在病人身体迅速旋转,身体。信号是由机器生产,加工生成切片或横断面图像。CT扫描使用多个探测器,在没有时间扫描整个胸部。正电子发射断层扫描(PET)是一种放射性示踪剂成像技术中,使用插入到身体(吸入、注射或吞下)体内生成的图像组织为了检查代谢过程。该方法检测疾病在其他影像检查的某个时候。磁共振成像(MRI)另一方面用于放射学的技术来创建图像的生理过程和解剖学的身体。它使用无线电波和磁场,帮助生成人体内部器官的图像。

在所有的技巧中,CT扫描是最受欢迎的由于有可用性的优势,快速扫描尤其是肺地区的收购,和成本(8]。CT扫描技术是使用最广泛的诊所结节识别和诊断。与其他技术不同,CT扫描是非常有效的,因为它提供了详细的图像在三维空间中任何组织的人体和各种组织的避免了层的重叠图像(9]。根据癌症研究所国家肺部成像试验,利用CT扫描检测肺结节可以降低癌症的死亡率20%。研究还显示了增长率放射科医生和CT图像之间的区别。每年有大约30%的增长速度在CT图像在放射科医生的增长率远只有4,每年1%,因此有必要使用这种技术(10]。

有症状的肺癌症患者进行CT扫描,以确定在肺部地区异常生长。执行病人的CT扫描后,放射科医生检查报告来识别和检测可疑从不同的结节CT扫描图像。这些结节由放射科医生评估恶性肿瘤的可能性的基础上研究虽然给予结节信息;信息可能包括结节的形态,它的密度和纹理特征。

识别可疑结节后,下一步是执行治疗但识别这些恶性结节是一个精确的任务。由于放射学家分心,不恰当的经验或疲劳分析扫描检测和识别的概率可能会导致恶性结节与可用的数据不正确。正确检测结节由放射科医生的概率小于52%。此外,需要大量的时间和精力,放射科医生为了区分识别结节是恶性的还是良性的,所以人类的错误可能发生在手动异常在肺结节区域的识别。

要解决这个问题的过程中出现人为错误,检测肺结节的框架是使用计算机辅助检测(凯德)框架。CAD是明显的计算机辅助检测(凯德)或计算机辅助诊断(CADx)。在计算机辅助检测系统,分析数字图像是由系统自动执行11]。模式识别软件,检测疑似异常特征形状、纹理,增长率从图像并通知放射科医生为了减少模块的数量可能会错过了放射科医生换句话说这是那些似乎异常的区域的图像。它的目的是降低假阳性率和观察的放射学家和援助他更精确地评估图像。CAD系统,在分析图像,生成输入为放射科医生精确地识别可疑结节通过CT扫描图像生成。使用CAD不仅提供有价值的信息,而且减少了工作量。CAD系统的重要组成部分包括减少假阳性和结节候选人检测(12]。可以良性结节可能被误解为恶性或恶性结节可能被视为正常的所以需要降低假阳性率以消除错误的发现从图像在结节候选人发现尽可能多的结节要从图像识别。

计算机辅助检测工作流程主要包括四个主要步骤包括预处理、分割、特征提取和分类的结节。在预处理步骤中,原始数据组织和清洁,从而消除噪音数据,为下一步做好准备。分割在另一方面是一个过程的图像分为不同的多个领域也称为图像对象或像素。分割过程的主要目的是使图像更有意义的和真实的。在特征提取的过程中,我们减少原始数据的维数,以便分类成更易于管理的数据为了数据的进一步处理。特征提取时需要的数字减少所需的资源进行进一步的处理没有任何相关的损失和重要的信息。在给定的数据分类是一个过程分为不同的类。过程包括预测类标签也提到,目标和范畴,如例肺癌结节的分类。

从CAD框架,包含已定义好的阶段,包括部门prepreparing,分类,和突出提取,在准备不同的过滤器,例如,伽柏,侵蚀,值,高斯,此外,各种其他方法可以利用得到大幅图片(13]。

卷积神经网络(CNN)是用来分割。卷积神经网络基本上是一个深度学习算法的目的是为了处理数组的数据还包括图像表示为(CNN / CovNet)。CNN需要更少的处理与其他分类器。卷积神经网络减少了图像成这种形式,使我们可以轻松地处理大量的图像,需要不丢失重要的特性,为了得到一个好的预测所以CNN以及可伸缩性的数据也被有效地学习各种特性自动捡深度模式使其高效的图像处理。在CNN,而不是数据预处理特征提取的卷积神经网络得到的图像像素数据自动提取特征并推断图像构成的物体。cnn是广泛应用于各领域如对象检测、图像识别、人脸检测、图像分类。卷积神经网络以一个图像作为输入过程的图像分类成不同类别系统识别图像的像素数组不同图像分辨率(14]。在以后的阶段,参数,例如,几何,事实,和猪是派生利用线性判别分析(LDA),免费成分分析(ICA)和主成分分析(PCA)。最后阶段分类,新提取特征分类利用机器学习算法,包括资讯,分对数促进和支持向量机。在本研究工作中,提出了一种新颖的分割方法,基于对该地区进行像素级分割和语义分割提取感兴趣的(受灾地区从肺结节的CT扫描图像检测)。后提取的部位可能是良性和恶性将进一步处理来提取最优特性。后的分类特征提取多个总提振等特点,支持向量机,分对数增加媒介资讯,和更多的测试,分类器在分类阶段实现最好的结果。

我们的贡献包括精确识别从其他肺结节结构分割使用CNN,实现有前景的结果与以前的工作。多个最优特征选择分类基础上的结节的大小、形状和其他几何,猪,枸杞多糖的特性。八个不同的分类器训练和测试在这些最优特性,和分类结果改善的准确性、灵敏度、精度、假阳性率和错误率。

本文的主要贡献包括以下几点:(我)精确的分段结节与其他结构使用CNN,比以前的工作取得了可喜的成果(2)选择最优特征分类的基础上结节主要几何,面向的柱状图的梯度(猪)和局部二进制模式(lbp)的特性。

剩下的文章包含五个主要部分。部分2解释了以前的研究,而部分3描绘了该分类模型和方法。部分4讨论了结果;部分5与先前的研究相比,而最后的部分6,重要的点的局限性和研究差距总体结论和未来的发展方向。

2。相关工作

本节提供的技术常用的研究人员总结肺癌及其结果的识别。在最近的一项研究中,艾哈迈德et al。15LUNA16]测试三维卷积神经网络(肺结节分析)100名患者的数据集来确定影响结节。首先,使用阈值执行预处理技术,它本身包含两个阶段,即:调整图像和平均。物质:空气和其他噪音被分割。香草3 d CNN用于分类的非癌变,癌细胞图像,取得了80%的准确性。曹et al。16)提出了整体学习multibranch架构(MBEL)与3 d CNN,包含三个网络模型(ResNet、DenseNet和VGGNet)。结果是基于每个模型输出的平均概率。LUNA16数据集上完成约87%的准确率。帮助放射科医生准确识别结节的位置从图片,谢et al。17)提出了一个方法,首先发现结节候选人通过调整R-CNN反褶积。然后,二维卷积神经网络(2 d-cnn)被用来评估候选人真正的结节。本研究还利用LUNA16数据集实现整体灵敏度为86.42%。曹et al。18)开发出一种方法包含两个阶段;第一阶段使用U-Net结节检测通过分段恶性的候选人。第二阶段重点是假阳性降息通过与3 d双池结构CNN。它展示了一个几乎93%的准确性。刘等人。19)提出了一个网络基于结构的方法使用初始网络的3 d模型,ResNet-based, VGGNet-based网络架构。作者通过结合这些架构的输出,最终取得了良好的结果。

两个卷积神经网络提出了(20.)准确检测肺结节。他们的方法包含两个CNN模型。第一个包括混合3 d CNN RBF-SVM(径向基function-support向量机)和连续第二个由3 d与SoftMax CNN,这实现了91%的准确性。另一个模型采用三维深度CNN与计算机辅助诊断(CAD)技术和多尺度预测策略是由作者(21]。它包括两个主要步骤:第一个是肺部分割和其他检测是结节的候选人。分割步骤使用阈值法提取准确的肺结节区域。他们LUNA16数据集对其进行测试得到89%的准确性。歌等。22)提出了多个深度学习方法,包括深层神经网络,卷积神经网络和堆栈汽车编码器分类器。作者应用这些分类器在计算机断层扫描图像的修改。卷积神经网络包含多层池层和卷积等层,但作者还在CNN softmax层。同样,其他两个架构也实现了由作者对肺结节进行分类。本研究也LIDC训练和测试数据集。

王(23]提出了MV-DCNN(多视图深卷积神经网络)分割的结节。多视图深卷积网络的特点是,它能够捕捉各种套敏感特性的结节,提供三种不同观点的计算机断层扫描图像。总体性能通过这个模型是77.58%。作者在24]讨论了转移上优于引导方法帮助识别模型,它被引导通过域生成中间的网络。

罗德里格斯et al。25]提出使用基于结构同现矩阵——(SCM)的方法来识别恶性结节和恶性肿瘤水平进行分类。分类使用阶段:多层感知器(MLP)、支持向量机、和资讯分类器,实现74.5%的准确率。Woźniak et al。26使用当地的方差分析和概率神经网络(并)达到92%的正确预测,当分类肺部癌。球场等。27)采用空间相互依赖矩阵(SIM)和视觉信息保真度(VIF)结合优化路径森林(OPF)分类器识别正常肺部或与纤维化的影响。柯et al。28)建议使用神经网络结合启发式Moth-Flame狮子和蚂蚁算法识别退化肺组织在x射线图像。Capizzi et al。29日)使用1型模糊规则结合神经网络识别肺结节的准确性达92.56%。Chouhan et al。30.)建议一个整体模型,结合输出从pretrained肺炎识别和神经网络模型有一个96.4%的准确性。Nobrega et al。31日]采用深特征提取器基于ResNet50和SVM RBF分类器,实现了88.41%的肺癌早期识别的准确性。汗等。32)使用多个纹理,点,和几何特性,使用correlation-based融合融合。最歧视的特性与系综分类器使用,实现99.4%肺癌识别的准确性。

Sahlol Elaziz et al。33)结合pretrained MobileNet网络模型与人工生态系统优化(AEO)算法作为一个功能选择器为肺结核识别精度达到90.2% - -94.1%。Sahlol Yousri et al。34)使用《盗梦空间》CNN算法提取特征和海洋食肉动物为COVID-19 x射线选择最相关的特征分类,实现非常高的性能。Souza et al。35)进行肺分割使用面具R-CNN模型创建一个肺地图和微调应用于CT图像上找到肺边界的准确性达98.34%。汗和侯赛因et al。36)使用pretrained densenet - 201网络特征提取,和一只萤火虫算法选择最佳的学习功能。熔融特性分类使用一个极端学习机(ELM),达到94.76%的精度分类COVID-19 CT扫描。汗和Kadry et al。37)开发了一个自定义15-layered CNN架构从胸部CT扫描图像提取深度特性。深特征结合使用max-layer细节(MLD)方法和分类看到下面成了一个内核榆树分类器的平均精度达到95.1%。

所有上述技术已经相当成功的贡献肺癌结节检测,但研究仍然需要满意的结果由于挑战的异质性肺结节的形状、大小和质地。结节有一定的位置和形态,所以他们也需要考虑。放射科医生还需要减少诊断时间的CT扫描诊断每片需要2到3.5分钟他们手动38]。

3所示。材料和方法

拟议的框架(图1)有多个阶段,包括预处理、分割、特征提取、分类;在下一节中讨论。LIDC形象片使用的有146个图像首先从DICOM jpg格式转换。从数据预处理方法获取数据标准化形式。格式转换后,地面实况标签映射创建标记图像,分割背景,执行和其他不必要的部分分开结节。作为结节有一定的形状、位置和大小对恶性和良性的,我们从分段结节中提取多个特性。这些特性是几何,猪和LBP特征,在下一节中讨论。基于这些特性,分类进行区分恶性和良性结节。分类器训练,然后用10-crossfold测试验证方法。融合的特性评估的时间训练的分类器和预测精度。

方法提出的框架如图所示1包括三个阶段第一阶段是归一化预处理的数据进行删除和噪音。下一阶段是细分,CNN是用来分离地区的利益和第三阶段分类,分类结节主要分为两类基于多个特性。

3.1。预处理

因为机器和深度学习方法需要大量的数据提供一个坚实的基础的可靠模式学习以及进一步处理数据,这些数据是用意图标签的协助模型检测的区别的,信息,和独立模式。标签是根据给定的执行地面真值的数据集。这些地面真值显示注释或标记功能,需要分段的CNN结节类。结节和背景类创建的标签图像与输入图像后给CNN作为输入数据。

3.2。分割

许多最近的研究深度学习用于分割(39)这样的灵感,该研究还DL用于分割的目的。类似的,DL用于各种识别和分类任务呢(40]。处理图像的关键元素,而不是整个图像,分割是在感兴趣的区域(ROI)进行分离。这样,相关功能或描绘对象,在分类过程中进一步帮助。执行分割的目的从其他复杂的背景结构分离肺结节。提出了基于性能的选择定制fourteen-layer CNN的图片尺寸512×512×3 =输入的CNN零中心规范化。提出了CNN的第二层是卷积层,维度3×3的内核/过滤器应用于输入数据。在这些卷积操作,3×3内核过滤幻灯片在每个输入图像通过设置步(没有。的像素矩阵的变化)[1]32。

后来,转置卷积层添加的可训练的标本。重复这个过程对整个图像生成和输出通道。CNN层覆盖在表的细节1。 ,“f”代表的是输入图像传递到卷积层和“h”表示内核已经应用到图像。”米”和“n“代表图像的行和列,“j”和“k”分别代表了过滤行和列。激活函数修正线性单元(ReLU)然后应用卷积生成的特征映射层,返回一个“0”,以应对消极的输入值。再次,卷积层应用于前一层的输出执行卷积操作3×3过滤器和步幅[1]和填充的[1 1 1 1]主要得到更深层次的像素。修正线性单元也应用于以前的特征映射到负值。后得到输出通道,然后再传递给下一个卷积层3×3大小过滤器适用于相同的步伐和填充的输入通道。这些所有操作最终把非线性从输入通道和转发到下一层。维度2×2的马克斯池过滤然后应用于上一层的输入图像提取最常见的特性,减少图像的空间体积。为了降低计算费用(2 - 2)和填充的步伐[0 0 0 0)是应用于这一层。

马克斯池操作返回每个补丁的最大价值,并将其存储作为输出。然后重复这个过程的整体形象和最大像素值从每个补丁然后返回。

下一层是相同的卷积和3×3层过滤器上面相同的步伐和填充用于卷积层除了ReLU消除非线性激活函数。下一层是一层转置卷积用于抽样。这里使用的过滤器是4×4维的步伐[2 2]和[1 1 1 1]种植这一层。另一个层然后应用卷积特性映射生成的转置层使用1×1过滤器用同样的步伐[1],但不同填充的[0 0 0 0]。然后将SoftMax激活函数应用到输出中生成卷积层。这个函数预测的概率分割类。

在这里,”“代表输入值和““代表输入值的指数除以指数的值的总和,其中“k”表示的数量多的类概率预测。最后,应用像素分类层。CNN的建议的体系结构是描绘在图2。

3.3。特征提取

减少资源进行进一步的处理和不丢失重要信息,多个特征提取在这个阶段,但只有那些特征用于分类结节,产生有效的结果所有其他噪声特性(从我们获得更准确的结果特性)在本文中分离;使用三种不同的特性,帮助我们在分类。这些特性是面向梯度的柱状图(猪),局部二值模式(LBP)特性和几何特性。

3.4。直方图的梯度(猪)

通过影响猪的特性,讨论了在41),提出了对象检测在图像研究中使用它。目标检测是面向的主要功能之一,直方图的梯度特性。猪每个图像分为小的部分或细胞然后计算面向梯度直方图的图像的每一个细胞都然后使用块智慧模式规范化细胞。第一步是调整到标准尺寸的图片,然后梯度计算的每一个细胞。在提出研究以来,4×4补丁在使用一个图像的大小。每个块包含多个单元在像素值生成一个新的矩阵。为了计算梯度x方向,从中央像素,每个正确的像素值减去其左边同样的价值。在的情况下y设在方向,每个上像素值减去从中央像素的像素值低于。得到这个操作之后,两个新矩阵的生成一个补丁包含存储的梯度x和y的方向。接下来,每个像素的大小和方向是计算并生成直方图从这些取向和方向。

方程(5)是用来计算的大小””表示梯度x方向和“”表示梯度y方向。”

重复相同的过程对图像中的每个像素和直方图为每个生成图像,如图3。

3.5。局部二值模式(LBP)

两类特点如此的鼓舞人心的工作42两类提取的特定模式。对图像中每个像素,固定大小的4×4附近被选中。然后,选择一个像素矩阵和每个邻居阈值对其检查。值“1”被分配在输出矩阵如果像素强度等于或大于你的邻居像素否则“0”分配给邻居的大于所选的像素。枸杞多糖的每个像素计算数组中存储二进制值的顺时针方向。然后输出的二进制值矩阵转化为十进制数表示的输出像素值。

在这里,n迭代的数量而7代表中央像素的相邻像素的总数。代表你的邻居像素是减去从中央像素表示为 。

方程(7)分配一个“1”在输出矩阵如果邻居之间执行操作的输出值和中央值等于或大于中央像素值,否则被分配“0。“这个过程是对图像中的每个像素重复和LBP特征被提取。

3.6。几何特性

另一种类型的功能从图像中提取几何特征。这些特性提取分割病变为多边形的直径。结节的直径的可视化图所示4。另一项研究结节大小特征用于分类。通过激励研究,提出研究使用凸包得到最大距离点然后稍后使用欧氏距离测量计算点之间的距离(43]。这个功能起着至关重要的作用在恶性和良性结节的分类。欧氏距离计算直径从每一个角度的结节通常发现点之间的最大距离。两个点之间的最大距离是结节直径,因为现有的在它的形状不规则。

3.7。特征融合

首先,猪特性提取和传递给不同的机器学习分类器,其次猪和枸杞多糖特性融合使用连接方法,然后分类肺部结节,最后猪,枸杞多糖,所有连接几何特征和分类使用不同的机器学习分类器的预测精度和训练时间。所有功能分类结果在后面的小节中讨论。

3.8。分类

从图像中提取特征的基础上,分类是为了区分执行从良性恶性结节。多个分类器应用于测试,寻求最有效的分类结果:袋装合奏,子空间判别,子空间资讯,RUSBoost,好,中、粗树,线性,二次,三次,介质高斯支持向量机(svm),好,媒介,粗糙,余弦,立方,加权资讯。

4所示。结果与讨论

4.1。运行环境

所有实验进行酷睿i7第五代octal-core系统32 GB RAM DDR 4总线速度的2400 MHz连同一个专用的图形处理单元(GPU)的8 GB内存。Windows 64位操作系统安装在这台电脑上。检测肺结节,将其分类为恶性和良性,使用MATLAB进行训练和测试。数据集的所有实验包括预处理图像,分割的结节的特征提取和实现多个分类器并使用MATLAB生成结果。

4.2。数据集描述

肺部图像数据库联盟(LIDC)数据集是用于我们的分类框架,用于肺癌症的检测(44]。LIDC的包含肺癌症筛查CT扫描。一特定数量的相关片按照DICOM标准。片在512×512维度。头在这些DICOM文件包含的信息片间距等参数,像素,和厚度。LIDC包含整体病人1018例。大约146 CT片被按照DICOM标准进行测试和训练的目的。这些片是二维图像转换成三维片512×512×3。CT扫描的信息可以在XML文件中公开癌症图像存档(44]。给出了详细的数据集的属性表2。

4.2.1。准备实验结果

拟议的框架使用卷积神经网络用于分割的过程。通过CNN分割,结节是肺的区别于其他背景结构。CNN模型训练图像和测试在其余30%的70%。整体性能实现分割表所示3。

这些结节的图片然后分开,和结节特征就是从这些图像中提取出来的。随后,分类进行区分肿瘤从良性结节(正常),使用多个分类器。

4.3。分类使用枸杞多糖特性

分段结节,提出研究提取枸杞多糖功能使用4×4邻域操作(如前所述)。在得到特征,17个不同的分类器使用10倍交叉验证。他们与训练时间的预测精度和预测速度表4。时间复杂度最低的立方资讯在所有的分类器也达到同样的精度水平最差的时间接受者分类器进行比较。此外,最好的预测精度达到子空间资讯有93.1%使用34.081秒可视为最好的模型在所有分类器相比,时间复杂度和精度水平。

4.4。分类使用HOG-LBP特性

提取的枸杞多糖功能后会跟猪功能连接和验证在同一分类模型使用10倍交叉验证方法。在下面的表中给出了结果5。通过连接两种类型的特性,我们观察减少但比表精度水平4的最长时间,训练时间减少38.98秒,约等于39秒。我们可以观察到,时间复杂度降低使用枸杞多糖和猪特性精度也会降低,这并不是所以承诺得到更高的结果来识别恶性和良性结节。

4.5。分类使用HOG-LBP-Size特性

所有功能的猪、枸杞多糖和大小结节是并行连接的和给相同的分类器使用相同的验证方法。结果通过LBP-HOG展示在表6。

通过包括尺寸或几何特性为特征向量,我们得到了一个高精度的结果的时间消耗较低的二次SVM只有1.161秒。,这是相当大的作为恶性和良性结节的分类器。分类器,训练时间和精度是如图5和6。

该方法的最优特性与性能测量的培训时间和精度明显降低时间复杂度,提高了准确率。最大的训练时间减少16.93秒从超过一分钟,最准确的结果的二次SVM实现97.83%的准确性在低得多的时间为1.161秒。

比较提出研究最好的实现结果与最先进的方法,比较如表所示7。通过观察的准确性、敏感性和特异性的先前的研究提出研究相比精度达到97.83%和93.3特异性和灵敏度100%,。灵敏度影响的病例总数的比例是正确的预测模型在实际案件总数的敏感性然后计算的支持向量机分类器达到1.0的敏感性而其他分类器,包括资讯,温柔的提振,分对数,健壮的提高,媒介资讯,总提振,和子空间实现灵敏度为0.87,0.91,0.87,0.87,0.73,0.8,分别和1。

此外,时间复杂度在前一节中讨论拟议的研究是低得多,使得该研究更优化的方法对肺结节进行分类。采用框架提出了算法的伪代码1。

叶地区肿瘤结节的准确分割是最具挑战性的任务之一。存在一些气管和血管叶地区是很难区分的结节。由于相同强度的这些血管和支气管肺,叶地区的正确识别和提取ROI与相同强度是非常复杂的。此前的许多方法所相关工作没有使用自动化功能和手工制作的特点相结合,他们要么确定结节仅使用手工制作的特性或通过自动特征提取使用深度学习。一些方法如前所述在相关工作部分结果通过机器和深度学习但无法使用功能的最佳组合,降低他们的模型的准确性。我们测试出来的数据集在不同组的特性和选择那些可能导致更好的准确性和灵敏度。

5。比较

证明工作的有效性,提出了与最近发表研究肺部病灶不透明度识别。比较如表所示8。第一项研究发表在2019年,显示93.2%的准确率为91.3% 93.1特异性和敏感性。

第二个比较,提出在2020年显示94%的准确性,特异性93.9%,和83.7%的敏感性,最后一个是在2021年提出。显示96.33%与96.37%的敏感性比先前的研究比先前的研究。然而,该研究是在2022年进行,表现更好的准确率达到了97.8%,特异性和灵敏度。

6。结论

检测肿瘤早期艺术阶段,我们提出了一个框架,帮助放射科医生识别恶性结节的病人可以诊断形成这种致命的疾病。框架包含了主要的分割和分类结节。执行分割使用提出了卷积神经网络包含多个隐藏层。分割片然后使用功能分类识别的影响结节帮助放射科医生使用计算机断层扫描图像。

结果证明,我们的框架实现更好的结果在检测和分类的肺结节与其他先进的方法。也注意到特征选择和分类也需要考虑,因为它减少了整体的训练时间和预测速度与精度高的结果。在未来,研究人员可以使用最优特征选择基于时间复杂度得到更高精度的结果。建议使用更多的特征优化选择和数据集图像来获得更多的有前景的结果。

强化学习(RL)是机器学习的范例,学习通过与环境的交互。强化学习可以学习行动的结果,反馈,和过去的经验,而不是被教有用的决策。所以RL检测肺癌可用于未来实现更好的结果随着RL伟大能力潜在的复杂和不确定的环境中实现其目标。

肺的癌症,包括多个阶段阶段0到第四阶段的癌症。阶段0包括小肿瘤的存在可以在肺良性或恶性。第一阶段包括肺癌的肺部组织。在第二阶段癌症扩散到淋巴结在第三阶段传播到其他器官,如胸部和最后阶段它可能扩散到全身。所以确定肺部癌症阶段疾病的正确诊断是必要的。在未来,肺部癌症的多个阶段需要确定准确帮助放射科医生正确诊断疾病。此外,我们的框架将被训练和测试在其他数据集来提高性能。

数据可用性

数据公开,进一步的细节都包含在这篇文章。代码和数据可从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢院长以来的科研、塔伊夫大学资助这项工作。